《Decision Analytics Journal》：An integrated bibliometric analysis of Benefit of the Doubt composite indicators for policy and decision analysis
编辑推荐：
这篇综述对"疑虑受益"综合指标进行了系统的文献计量分析，聚焦该方法在政策评估中的应用。文章整合了专家知识与大语言模型（ChatGPT/DeepSeek），提出了三个前瞻性研究议程，涵盖了可持续性评估、公共服务绩效等多个领域，为该领域的未来研究提供了清晰的路线图。
在当今复杂多变的政策环境中，如何将多维度、有时甚至相互冲突的社会经济现象，提炼成能够指导决策的单一指标，是一项极具挑战性的任务。综合指标正是为此而生的关键工具，它在可持续发展和经济评估等宏观分析中扮演着不可或缺的角色。然而，传统的综合指标构建方法常常面临主观权重分配、指标间过度补偿等批评。为了克服这些弊端，一种源自数据包络分析的非参数前沿模型——疑虑受益法应运而生，它为构建更为公正、灵活的综合指标提供了强大的方法论支持。
疑虑受益法是一种独特的性能评估框架。与传统的DEA模型关注“投入-产出”的转化效率不同，BoD模型专注于“产出”或“指标”本身，通过为每个被评估单元分配最优权重，赋予其“疑虑受益”——即允许每个单元在其最具优势的指标上展现最佳表现。这种方法特别适用于公共服务、监管等场景，因为决策者更关心政策目标和服务质量的结果，而非资源消耗的最小化。从宏观的国家绩效比较，到微观的水务公司、医院、银行的服务评估，BoD模型的应用已遍布几乎所有经济领域。
为了全面梳理这一领域在过去三十多年（1991-2025）的发展脉络，识别核心知识网络与未来趋势，研究者们进行了一项系统的文献计量综述。他们遵循严格的PRISMA流程，在Web of Science核心合集中检索相关文献，并运用“核心出版物”算法，从3815篇初始文献中筛选出最具影响力和关联性的核心文献集群，构建了清晰的共引网络图谱。分析揭示了几个鲜明的聚类：棕色和粉色聚类集中了BoD的理论发展与核心应用；绿色和紫色聚类聚焦于可持续性与生态效率评估，尤其在农业和旅游业；橙色聚类关注道路安全与基础设施效率；黄色聚类则侧重于能源效率与绿色金融。这些聚类共同展现了BoD方法在解决可持续性、人类发展和政策有效性等复杂问题上的广泛跨学科影响力。
通过对核心文献摘要的词频分析，研究者识别了当前BoD研究的四大热点主题：国家与区域层面的宏观评估、公共服务供给、特定的内生性视角以及权重与信息聚合等核心方法论问题。这些热点为规划未来的研究方向提供了坚实的基础。
基于此，研究提出了三个互补的研究议程。第一个议程源于专家知识，它巧妙地将DEA领域的经典模型分类与BoD的热点问题相结合，构思了八项富有前景的研究提案。其中优先级最高的是开发综合指标的乘法模型，以更好地捕捉指标间的交互作用和非补偿效应，这对于像人类发展指数这样的多维评估尤为重要。其他提案包括：整合序数价值判断以处理主观偏好、引入多目标规划来区分性能相近的单元、构建考虑趋势和季节性的时间序列BoD模型、评估单元的性能优势与短板、借鉴交叉效率思想设计交叉偏好性能指标、利用机器学习进行前沿聚类，以及探索非凸的自由处置包络模型以设定更合理的绩效目标。
第二个和第三个议程则分别由ChatGPT和DeepSeek这两种大语言模型生成。这展示了人工智能如何辅助学术前瞻。有趣的是，尽管两个AI模型独立运作，但它们提出的建议与专家议程存在显著的重叠与互补。三者共同强调的核心方向包括：开发更稳健、可解释的权重方案，增强模型对异质性数据和不确定性的处理能力，深化BoD在环境、社会和治理评估中的应用，以及促进跨学科的方法融合。
这项研究通过整合文献计量学的客观图谱、专家的领域洞察以及AI的语义分析能力，不仅清晰地描绘了“疑虑受益”综合指标研究的知识版图与发展轨迹，更重要的是，它为学者、政策制定者和实践者指明了一条充满机遇的前进道路。未来，通过解决权重透明度、模型稳健性和跨语境适用性等关键挑战，BoD方法有望在支持证据驱动的政策制定和绩效管理方面发挥更强大的作用。
